Suscríbete a DeepL Pro para poder traducir archivos de mayor tamañ

Más información disponible en www.DeepL.com/pro.

Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023) 100926

Listas de contenidos disponibles en ScienceDirect

Aplicaciones de la teledetección:
Sociedad y Medio Ambiente
Página web de la revista: www.elsevier.com/locate/rsase

Desarrollo de los mejores modelos de recuperación de parámetros

no ópticamente activos para un lago artificial poco profundo
mediante el algoritmo de bosque aleatorio
Behnaz Karimi a, Seyed Hossein Hashemi a, *, Hossein Aghighi b
a Departamento de Tecnologías Medioambientales, Instituto de Investigación de Ciencias Medioambientales, Universidad Shahid Beheshti, Teherán, Irán.
b Centro de Teledetección y Sistemas de Información Geográfica, Facultad de Ciencias de la Tierra, Universidad Shahid Beheshti, Teherán, Irán

ARTÍCULOE N ABSTRACT O
FO R M A
Esta investigación se llevó a cabo para adquirir el algoritmo de recuperación optimizado por el
Palabras clave: método de bosque aleatorio y basado en datos de teledetección para monitorizar los
Teledetección parámetros de nitrógeno total y fósforo como impulsores clave de la eutrofización en masas de
Control de la calidad del agua. Para ello, se utilizaron los datos de monitorización de la calidad del agua del lago
agua Nitrógeno total Chitgar en Teherán, que es un lago artificial poco profundo con uso recreativo y de paisaje
Fósforo total urbano. Las imágenes de satélite Landsat 8 OLI/TIRS y Sentinel 2 MSI se extrajeron después de
Bosque aleatorio hacer coincidir la fecha de los datos de observación de campo y las imágenes de satélite de
2014 a 2021. Los datos se dividieron en conjuntos de datos de calibración y validación. Tras
realizar procesos de preprocesamiento en las imágenes de satélite, se reconocieron las bandas
importantes mediante el método de bosque aleatorio. A continuación, se seleccionaron las
composiciones de banda y los algoritmos adecuados y se ajustaron y validaron los modelos
de regresión. El modelo óptimo basado en los datos de Sentinel-2 fue capaz de estimar la
concentración total de nitrógeno con Adj.R2 = 0.82, RMSE = 0.24 mg. L-1 y NRMSE = 15%,
así como la concentración de fósforo total con Adj.R2 = 0.6, RMSE = 0.012 mg. L-1 y NRMSE
= 9% acompañado de una potencia del 80% en la zona de estudio. En consecuencia, se
eligió el algoritmo de recuperación óptimo en la sinergia de los datos de satélite y el bosque
aleatorio. Además, el modelo predictivo tiene una capacidad prometedora para estimar la
concentración de los parámetros objetivos en el lago Chitgar con una precisión aceptable.

1. Introducción

Por eutrofización se entiende el aumento de nutrientes como el nitrógeno (N) y el fósforo (P) y otros nutrientes inorgánicos en
las aguas superficiales, lo que provoca cambios en el número y la composición de los organismos acuáticos, así como el rápido
crecimiento de las algas y, como consecuencia, la disminución del oxígeno disuelto en el agua y la muerte de la vida acuática (Y.
Zhang et al., 2021). Además, la hidrología y el clima estacional influyen en la eutrofización y la proliferación de algas (Xu et al.,
2011), lo que puede afectar a la calidad del agua utilizada para beber, la industria, la agricultura, el ocio y otros usos (USEPA,
2013).
El nitrógeno total (NT) es la suma del nitrógeno nítrico (NO3 -N), el nitrógeno nítrico (NO2 -N), el nitrógeno amoniacal (NH3 -N) y
el nitrógeno orgánico. De hecho, el nitrógeno total (NT) representa los compuestos orgánicos e inorgánicos del nitrógeno en el
agua. Las principales fuentes de exceso de nitrógeno son las plantas de tratamiento de aguas residuales, la escorrentía urbana o el
drenaje de zonas verdes y agrícolas, los pozos y fosas sépticas, los residuos animales, los vertidos industriales, la deposición
atmosférica, etc. (USEPA, 2013). Los compuestos nitrogenados se encuentran entre los nutrientes que pueden provocar

* Autor correspondiente.
 Direcciones de correo electrónico: behn.karimi@mail.sbu.ac.ir (B. Karimi), h_hashemi@sbu.ac.ir (S.H. Hashemi), h_aghighi@sbu.ac.ir (H. Aghighi).

https://doi.org/10.1016/j.rsase.2023.100926
Recibido el 23 de septiembre de 2022; Recibido en versión revisada el 8 de enero de 2023; Aceptado el 22 de enero de 2023
Disponible en línea el 24 de enero de 2023
2352-9385/© 2023 Elsevier B.V. Todos los derechos reservados.
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
el crecimiento y la proliferación del fitoplancton y perturban el equilibrio del ecosistema y el equilibrio biológico en las masas de
agua (USEPA, 2013).
Otros nutrientes importantes en la eutrofización de los medios acuáticos son los compuestos de fósforo. El fósforo es la
infraestructura de una parte importante de la cadena alimentaria. Los fitoplancton, como las algas microscópicas y las plantas
acuáticas, necesitan fósforo. El fósforo está disponible en diversas formas solubles e insolubles en el agua. El fósforo total (PT)
contiene todas estas formas de fósforo combinadas. El fósforo soluble es fácilmente utilizado por plantas y algas y suele
encontrarse en bajas concentraciones en aguas contaminadas. El control de la concentración de fósforo es uno de los parámetros
importantes y eficaces en el control de la calidad del agua (Ding et al., 2020). Y medir el fósforo total (TP) es un método adecuado
para determinar el fósforo en los lagos porque incluye tanto el fósforo ortofosfato como el fósforo en la masa vegetal y animal
suspendida en el agua del lago (USEPA, 2022). Determinar si el nitrógeno o el fósforo es el factor limitante en la eutrofización
depende de varios factores como el tipo de cuerpos de agua, la carga de contaminantes y nutrientes, el clima y la estación, etc.
Pero además, el P es el nutriente limitante para la generación primaria de fitoplancton en muchas aguas dulces (Yang et al.,
2008). En otras palabras, la accesibilidad de este nutriente controla las especies y la tasa de producción de algas y plantas
acuáticas (USEPA, 2022).
Entre las fuentes de fósforo, podemos mencionar la descomposición de algas muertas en condiciones anóxicas, que conduce a
la re-liberación de nitrógeno y fósforo y al suministro de estos nutrientes para el nuevo crecimiento de las algas (Y. Zhang et al.,
2021). Asimismo, los sedimentos de los ecosistemas acuáticos pueden desempeñar el papel de fuente de fósforo. El intercambio de
fósforo entre el agua y los sedimentos es un proceso dinámico, de manera que los sedimentos pueden liberar su fósforo en el agua
o absorber el fósforo disuelto en el agua a través de procesos químicos. Este proceso de intercambio de fósforo entre el agua y los
sedimentos afecta a la concentración de fósforo en el agua (Ruttenberg, 2019). En las masas de agua poco profundas, la absorción
y la liberación de fósforo en los sedimentos se ven afectadas por diversos factores, como el aumento de la frecuencia de las
perturbaciones a altas temperaturas puede potenciar la liberación de fósforo de los sedimentos (Yang et al., 2008).
El seguimiento de la variación de TN y TP como impulsores clave de la eutrofización es una cuestión muy importante en las
masas de agua superficiales (Carpenter et al., 1998; Ruttenberg, 2019). La mayoría de los métodos de seguimiento de los
parámetros de calidad del agua se basan en mediciones de campo. Estos métodos son limitados y costosos, y a pesar de la
precisión en la medición, no pueden proporcionar información con alta resolución espacial y temporal (Ritchie et al., 2003). En
cambio, la teledetección por satélite puede cubrir simultáneamente una vasta zona y proporcionar datos en tiempo real a un coste
asequible (Hossain et al., 2021).
Las técnicas de teledetección pueden controlar la calidad del agua mediante respuestas espectrales de sus características.
Muchos modelos se basan en la relación entre las respuestas espectrales, como la absorción y la reflexión, y los parámetros de
calidad del agua. Así, la teledetección es capaz de estimar los componentes ópticamente activos del agua, como la concentración
de clorofila-a, la turbidez, los sólidos en suspensión, etc. En cambio, tiene limitaciones para el seguimiento de parámetros no
ópticamente activos (Vakili y Amanollahi, 2020).
Por lo tanto, dado que el nitrógeno y el fósforo totales son parámetros ópticamente inactivos, se utilizan principalmente métodos
de aprendizaje automático para modelarlos. En muchas investigaciones, se han utilizado bosques aleatorios, regresión de vectores
de soporte, algoritmos de redes neuronales y algoritmos genéticos para obtener modelos de recuperación de TN y TP en masas de
agua. Los métodos de aprendizaje automático han resuelto el problema de utilizar la teledetección para estimar estos parámetros
de calidad del agua ópticamente inactivos (Song et al., 2012; Vakili y Amanollahi, 2020; Guo et al., 2021; X. Li et al., 2021). Por otro
lado, debido a las características no ópticas de estos parámetros, la utilización de modelos empíricos, semi-empíricos o de
aprendizaje automático en su estimación puede ir acompañada de errores. Todos estos métodos están influidos por el área de
estudio, y su potencial de aplicación debería evaluarse además para aguas interiores muy turbias, como lagos u otras masas de
agua (Du et al., 2022).
El bosque aleatorio es uno de los métodos de aprendizaje automático más utilizados, que es un "algoritmo de aprendizaje
automático supervisado " basado en la clasificación y regresión a través de un numeroso número de árboles de decisión como
clasificadores que se seleccionan árboles de decisión por el método bagging y extrayendo aleatoriamente (Li et al., 2021; Salas et
al., 2022). En RF, se elige aleatoriamente un subconjunto de muestras de entrenamiento y, a continuación, se seleccionan varias
características de entre todas las características de entrada. A continuación, se selecciona una característica optimizada de los
conjuntos de características de división de nodos (Guo et al., 2021). Por último, vota los resultados de clasificación del árbol de
decisión y especifica el resultado final de la clasificación (Li et al., 2021).
Otra ventaja del algoritmo de bosque aleatorio es la facilidad para medir la importancia relativa de cada característica en la
predicción. Esta herramienta determina la importancia de la variable teniendo en cuenta el número de nodos del árbol que utilizan
la característica deseada. Al evaluar la importancia vari- able, es posible eliminar las características que tienen un papel menor o
nulo en el proceso de toma de decisiones (Belgiu y Drăguţ, 2016; IBM, 2020; Esri, 2022).
La correlación entre los datos de medición de campo y las bandas de satélite y los modelos de regresión lineal de construcción
son otros métodos para encontrar algoritmos de recuperación y comprender los cambios temporales y espaciales del nitrógeno
total y el fósforo total en las masas de agua (Gholizadeh y Melesse, 2017; Dong et al., 2020; Liu et al., 2020; Kapalanga et al.,
2021).
El lago Chitgar es especialmente importante debido a su ubicación geográfica, su uso recreativo y la gran importancia de la
calidad del agua para los turistas. La eutrofización y la proliferación de algas en esta masa de agua pueden causar falta de oxígeno
y condiciones peligrosas para la vida acuática, vistas inapropiadas y efectos adversos en las actividades recreativas (Bayat et
al., 2019).

2
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
Así pues, la gestión eficaz de estas masas de agua suele requerir un seguimiento
100926 de alta frecuencia y un análisis de tendencias
de los parámetros de calidad del agua en una zona extensa, lo que suele exigir recursos humanos, activos y equipos.
Teniendo en cuenta la importancia crucial de la gestión de la calidad del agua y la necesidad de monitorizar con una alta
resolución temporal y espacial el lago Chitgar, un lago recreativo de poca profundidad situado en una zona urbana, el objetivo de
este estudio es investigar la eficacia de la tecnología de teledetección en la monitorización continua de las concentraciones de TN y
TP, así como mejorar el programa de monitorización de la calidad del agua en este lago. Este trabajo demuestra la capacidad de
las imágenes de satélite Landsat-8 y Sentinel-2 para monitorizar las concentraciones de TN y TP, que se evaluó mediante el
análisis de los espectros de reflectancia del agua y la relación entre TN y TP in-situ, así como la relación entre TN y TP in-situ y TP
in-situ.

3
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
como la reflectancia medida sobre el terreno mediante la búsqueda de modelos y algoritmos de estimación óptimos en el lago
Chitgar. También se ha utilizado el método de bosque aleatorio para identificar las bandas efectivas en los modelos de estimación.

2. Materiales y métodos

2.1. Área de estudio

El lago Chitgar es un lago artificial poco profundo con una superficie de 132 ha y un volumen de 6,8 millones de m3, que
se encuentra al noroeste de Teherán. La profundidad del lago varía de cero a 9 m, con una profundidad media de 5 m (Bayat et
al., 2019). El nivel de agua del lago es suplido por el río Kan para compensar la pérdida de agua debida a la evaporación. El lago
es un lugar turístico atractivo donde se desarrollan actividades recreativas e instalaciones comerciales. Para evitar la proliferación
de algas y mantener la calidad del agua, en otoño de 2016 se creó la planta de tratamiento del lago (Bayat et al., 2019). La Fig. 1
muestra la ubicación del lago y sus estaciones de monitorización.

2.2. Adquisición y preprocesamiento de datos por satélite

Se aplicaron las imágenes de los satélites Landsat-8 OLI/TIRS (Colección1-Nivel 1) y Sentinel-2 MSI (L1C) debido a sus altas
resoluciones espacial, radiométrica, espectral y temporal y a su adecuada relación señal-ruido (SNR), así como al libre acceso a
las mismas (Buma y Lee, 2020). El satélite Landsat-8 OLI/TIRS se lanzó en febrero de 2013 y los datos del satélite Sentinel-2
están disponibles desde junio de 2015.
Se utilizaron imágenes de los satélites Landsat-8 y Sentinel-2 con una diferencia máxima de un día respecto al muestreo de los
datos sobre el terreno y con una nubosidad inferior al 10% en la zona de estudio. Las imágenes se adquirieron de la página web del
Servicio Geológico de Estados Unidos (USGS). La Tabla 1 muestra las características de las bandas utilizadas en este estudio.
Las correcciones atmosféricas y geométricas se realizaron mediante preprocesamiento de imágenes en el software QGIS
(ver.3.24.1). Se utilizó el procedimiento de corrección atmosférica Dark Ob- ject Subtraction1 (DOS1) para eliminar la contribución
atmosférica. La corrección atmosférica de las imágenes de satélite es necesaria para eliminar las interferencias atmosféricas y el
efecto de los aerosoles. Esto es especialmente importante durante el seguimiento a largo plazo de una gran masa de agua que
experimenta una variación temporal y espacial sustancial en las condiciones atmosféricas (Topp et al., 2020).

2.3. Medición sobre el terreno y preparación de datos

Los parámetros de calidad del agua del lago Chitgar se miden en cinco estaciones según métodos normalizados y se analizan
en el laboratorio. Los compuestos de nitrógeno y fósforo son importantes parámetros de calidad del agua que se controlan en este
lago. Los datos de monitoreo de nitrógeno total de 2020 a 2021 y 5 series de datos de 2014, así como los datos de monitoreo de
fósforo de 2016 a 2021 se utilizaron como datos de medición de campo en esta investigación.

/ig. 1. La ubicación del lago Chitgar y sus estaciones de monitoreo, Teherán, Irán (Bayat et
al., 2019).

Cuadro 1
Características de las bandas Landsat-8 y Sentinel-2 utilizadas en este estudio.

Índice de bandas de Longitud de onda central Resolución espacial (m) Satélite/Sensor Índice de Longitud de onda central Resolución espacial (m)
satélites/sensores (nm) bandas (nm)

Landsat 8 OLI b2 Azul- 482 30 Sentinel 2 MSI b2 490 10

4
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
b3 Verde-562 b3 560
100926
b4 Rojo-655 b4 665
b5 NIR-865 b5 705 20
b6 SWIR1-1610 b6 740
b7 SWIR2-2200 b7 783
b11 1610

5
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
Se aplicaron las pruebas de Shapiro-Wilk y Q-Q Plot para determinar la distribución estadística de los datos. La distribución
estadística de ambos datos categorizados se normalizó (p > 0,05) mediante transformación en logaritmo natural. A
continuación, los datos se dividieron en grupos de calibración y verificación (He et al., 2021; Kapalanga et al., 2021; Wang et al.,
2020). la proporción de división de los datos para el entrenamiento y la verificación de los modelos se consideró de 2/3 y 1/3. Para
los datos de TP en el satélite Landsat-8, esta proporción fue del 60% y el 40% (Akbar et al., 2010). Se consideró que este
porcentaje de división de los datos alcanzaba la máxima potencia estadística.

2.4. Algoritmo Random Forest

En este estudio, se implementó el método de bosque aleatorio con la función variable importante para identificar las bandas
importantes para los modelos de estimación de TN y TP en el lago Chitgar. Los datos de entrenamiento se analizaron mediante el
paquete Random Forest en R.
Al principio, el número de árboles de decisión se fijó en 500, y después se seleccionó el número óptimo de árboles en función
del valor de error. las bandas más importantes se identificaron utilizando los coeficientes significativos de los parámetros del
modelo. El algoritmo RF se volvió a aplicar tras cambiar el número de árboles de decisión, y las bandas importantes se eligieron
tras estabilizar los valores de error (Belgiu y Drăguţ, 2016; Salas et al., 2022).

2.5. Precisión y potencia

La evaluación de la precisión se realizó utilizando (RMSE) error cuadrático medio (Lim y Choi, 2015; Dong et al., 2020; Chu et
al., 2021; He et al., 2021) y (NRMSE) error cuadrático medio normalizado (Blix et al., 2018; Zhang y Gao, 2020; Ogashawara et al.,
2022) como se indica en las ecuaciones (1) y (2). La dimensión RMSE de ser la misma que la variable objetivo es una de las
razones para elegirla y NRMSE también considera el efecto del rango de parámetros.
N
�

�
� (Yobs - Yest) 2 (1)
i
RMSE =
n
RMSE
NRMSE = (2)
MAX (Yobs) - MIN (Yobs)

donde Yobs es la concentración observada en el punto i, Yest es la concentración estimada por el modelo en el punto i, y n es el
número total de puntos de verificación.
En el presente estudio, la potencia del modelo, que indica la adecuación del tamaño de una muestra para minimizar los errores,
se calcula mediante la ecuación (3).

Potencia = 1 - 𝛽 (3)

donde β es la probabilidad de error de tipo II y su valor típico es del 20% suponiendo un intervalo de confianza del 95% y una
potencia deseada del 80% (Verzani, 2004). Además, el valor R2 suele indicarse para expresar la precisión de los modelos lineales.
El valor R2 sobreestima sistemáticamente la cantidad de varianza explicada en la población objetivo. Para evaluar el valor de la
varianza explicada, se suele utilizar R2 ajustado, que es más realista y, por lo general, su valor es inferior y, en el mejor de los casos,
igual a R2 (Karch, 2020). En este estudio, se utiliza Adj.R2 para expresar la precisión de los modelos de regresión. Por último, la
distribución estadística de los residuos se evaluó mediante la prueba de Shapiro- Wilk para garantizar el mejor ajuste del modelo
(Verzani, 2004).

3. Resultados y debate

Los métodos de recogida de datos de campo y por satélite se explicaron en la sección de material y métodos. El cuadro 2
contiene la información de los datos extraídos tras cotejar la fecha de observación sobre el terreno y las imágenes por
satélite.
Teniendo en cuenta que los datos siguen los registros de seguimiento de la calidad del agua, las imágenes de satélite se han
seleccionado basándose en los registros de datos de campo. Así, se han extraído imágenes con la adecuación de las imágenes en
términos de nubosidad en 5 estaciones de muestreo.

3.1. Nitrógeno total

El conjunto de datos de calibración se evaluó en R y mediante el algoritmo RF para identificar las bandas importantes en el
modelo de estimación de la concentración de TN. La evaluación de los coeficientes de importancia relativa de las bandas en el
satélite Landsat-8 mostró los coeficientes de importancia más altos de b5 (865 nm) y b7 (2200 nm) como bandas importantes
(Tabla 3).

Cuadro 2

6
Datos descriptivos
B. Karimi et al. extraídos-Resumen tras cotejar la fecha de observación sobre el terreno y las imágenes por satélite,
Aplicaciones lago Chitgar,
de la teledetecci ón:Teherán,
SociedadIrán.
y Medio Ambiente 29 (2023)
100926
Parámetro satélite Número de datos in situ compatibles Intervalo de concentración (mg/L)

TN Landsat-8 39 0.5-2.5
Centinela-2 29 0.5-2.1
TP Landsat-8 77 0.02-0.1
Centinela-2 89 0.02-0.16

7
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
Cuadro 3
Coeficientes de importancia de las bandas del satélite Landsat-8 en el modelo de estimación TN, por RF.

Nº de bandas 1 2 3 4 5* 6 7*

coeficientes 0.46 0.59 0.02 0.21 1.27 0.50 1.19

Las bandas individuales, las proporciones de bandas y los algoritmos combinados de estas bandas se examinaron mediante
modelos de regresión lineal y no lineal con el software R. Como resultado, la composición de bandas (b5-b7)/(b5+b7) en la
ecuación exponencial adquirió el modelo de predicción superior.
En el satélite Sentinel-2, tras la evaluación inicial de los datos mediante el método de bosque aleatorio, se obtuvieron los
coeficientes de importancia relativa de las bandas (Tabla 4-a). Debido a la proximidad de los coeficientes, las bandas efectivas se
eligieron eliminando los coeficientes insignificantes y repitiendo el método de bosque aleatorio. Como resultado, las bandas b3 (560
nm), b5 (705 nm), b6 (740 nm) y b7 (783 nm) fueron seleccionadas como variables importantes por la RF (Tabla 4-b). Tras aplicar
métodos similares a Landsat-8 para encontrar el algoritmo adecuado, la composición de bandas (b3-
(b5+b6+b7))/(b3+(b5+b6+b7)) en la ecuación exponencial indicó el mejor modelo predictivo.
Los resultados estadísticos de los modelos de estimación de validación se muestran en la (Tabla 5). La Fig. 2 muestra la
correlación entre los valores estimados de nitrógeno total y las mediciones de campo en el intervalo de datos de validación.
La Fig. 3 muestra la distribución espacial de la concentración de TN en el rango de bajas y altas concentraciones en todo el
lago Chitgar, que se obtuvo a partir de las imágenes de satélite Landsat-8 y Sentinel-2. La comparación de la cartografía de
estos dos satélites y las mediciones de campo representan la alta precisión de Sentinel-2 en la evaluación de la
concentración de TN. La comparación de la cartografía de estos dos satélites y las mediciones de campo representan la alta
precisión del Sentinel-2 en la evaluación de la concentración de TN.
Según los resultados estadísticos y la cartografía de distribución espacial, el satélite Sentinel-2 tiene un alto rendimiento en la
estimación de la concentración de TN en el lago Chitgar. Esto puede deberse a la resolución espacial de este satélite (10-20 m), en
contraste con la resolución espacial de Landsat-8 (30 m), lo que hace que las imágenes de este satélite sean más adecuadas para
el seguimiento de aguas pequeñas (Shi et al., 2022). La Tabla 6 ilustra el resumen de las ecuaciones aplicadas y los resultados de
algunos estudios para predecir las concentraciones de TN en masas de agua superficiales. Debido a las débiles propiedades
ópticas del parámetro nitrógeno total, en varios tipos de investigación, las bandas eficaces y los algoritmos obtenidos se basan en
el establecimiento de la correlación entre los datos y, a menudo, en el uso de métodos de aprendizaje automático como el bosque
aleatorio (RF), la regresión de vectores de apoyo y las redes neuronales artificiales o regresiones lineales múltiples.

Cuadro 4
Coeficientes de importancia de las bandas del satélite Sentinel-2 en el modelo de estimación TN, por RF en dos pasos.

a)

Nº de bandas 1 2 3 4 5 6 7 8 8a 9 11 12

coeficientes 0.18 0.09 0.33 0.16 0.29 0.16 0.20 0.09 0.08 0.11 0.14 0.10

b)

Nº de bandas 1 3* 4 5* 6* 7* 9 11 12

coeficientes 0.14 0.40 0.12 0.20 0.24 0.47 0.07 0.11 0.13

Cuadro 5
Resultados estadísticos de los algoritmos de estimación de TN utilizados en el lago Chitgar, Teherán, Irán.

Satélite Algoritmo Ecuación R2 R2 adjunto RMSEmg/L NRMSE Potencia

Landsat 8 b5-b7
b5+b7 Ln(y) = - 6,3×x2 + 0,9×x + 0,12 0.67 0.64 0.33 0.16 0.8
Centinela 2 b3-(b5+b6+b7)
b3+(b5+b6+b7) Ln(y) = 0,4×x2 + x + 0,12 0.84 0.82 0.24 0.15 0.8

8
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
/ig. 2. La correlación entre la concentración de TN medida y estimada utilizando imágenes de satélite
100926Landsat-8 y Sentinel-2 en el lago Chitgar, Teherán, Irán.

9
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926

/ig. 3. Patrones espaciales de las concentraciones de TN en el lago Chitgar, Teherán, Irán.

Cuadro 6
Resultado de las investigaciones para predecir la concentración de TN mediante imágenes de satélite Landsat-8 (L8) y Sentinel-2 (S2).

Referencia Área de estudio Algoritmo Ecuación Resultado

Lim y Choi (2015) Río Nakdong-Corea del Sur b3,b4,b5 TN = ax1 + bx2 + cx3 + d R (L8) = 0,48
Gholizadeh y Melesse (2017) Bahía de Florida-EE.UU. b2,b3,b4,b5 - R2 (L8) = 0,82
Guo et al. (2021) Pequeño lago urbano- China b3,b4,b5,b6,b7,b8 TN = ax1 + bx2 + cx3 + dx4 + ex5 + fx6 + k R2 (S2) = 0,88

Dong et al. (2020) Embalse de Danjiangkou-China b2×b8 TN = ax2 + bx + c R2 (S2) = 0,783

Li et al. (2021) Lago Ebinur-China b1−(b8+b11+b12)
- R2 (S2) = 0,636
b1+(b8+b11+b12)
Estudio actual Lago Chitgar-Irán b5-b7 TN(L8) = eax2+bx+c R2 (L8) = 0,64
b5+b7
b3-(b5+b6+b7)
TN(S2) = eax2+bx+c R2 (S2) = 0,82
b3+(b5+b6+b7)

Debido a lo limitado de los estudios, así como a la dependencia de los algoritmos de recuperación de la localización geográfica
y las condiciones locales y la cantidad de datos, es difícil encontrar estudios completamente similares para comparar los
resultados. Teniendo en cuenta algunas similitudes, los resultados de las investigaciones son relativamente comparables. La
investigación de Guo et al. (2021) sobre pequeños lagos urbanos es uno de los estudios similares.
La comparación de los resultados estadísticos muestra que el modelo de predicción obtenido en el presente estudio estima la
concentración de TN con gran precisión en comparación con investigaciones similares.

3.2. Fósforo total

Las bandas más eficaces en la estimación de la concentración de TP se determinaron mediante la aplicación del algoritmo
Random Forest. Los coeficientes de importancia relativa de las bandas Landsat-8 se muestran en la (Tabla 7-a). Tras evaluar los
valores de error y cambiar el número de árboles de decisión y determinar los valores de los coeficientes de importancia próximos
entre sí, los coeficientes de importancia (Tabla

Cuadro 7
Coeficientes de importancia de las bandas del satélite Landsat-8 en el modelo de estimación TP, por RF en dos etapas.
a)
Nº de bandas 1 2 3 4 5 6 7
coeficientes 0.84 0.89 0.96 0.81 1.05 0.61 0.44

10
B.b)Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
Nº de bandas 2* 3* 100926 4 5
coeficientes 1.34 1.63 1.15 1.24

11
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
7-b) se extrajeron eliminando las bandas menos eficaces y volviendo a aplicar el algoritmo RF. De acuerdo con el nuevo
coeficiente, las bandas b2 (482 nm) y b3 (562 nm) fueron identificadas como bandas importantes. Tras la evaluación de varias
composiciones y modelos de bandas, se alcanzó el mejor modelo de predicción mediante el efecto de ambas bandas en la
ecuación exponencial.
Para el satélite Sentinel-2, las bandas b2 (490 nm), b3 (560 nm), b4 (665 nm) y b11 (1610 nm) se identificaron según sus
coeficientes de importancia relativa (Tabla 8) como las variables importantes en el algoritmo de recuperación. Se investigaron
bandas individuales, proporciones y combinaciones de bandas en modelos de regresión lineal y no lineal. La composición de
bandas (b3-(b2+b4+b11))/(b3+(b2+b4+b11)) en la ecuación exponencial concluyó una mayor precisión en la estimación de la
concentración de TP en el lago Chitgar.
La Tabla 9 indica los resultados estadísticos de los modelos de estimación de TP de validación en el lago Chitgar.
Asimismo, la Fig. 4 muestra la correlación entre los valores obtenidos por satélite y las mediciones de campo del fósforo total
para los conjuntos de datos de validación de los satélites Landsat-8 y Sentinel-2.
En la Fig. 5 se muestra la distribución espacial de la concentración de TP en el lago Chitgar, basada en imágenes de satélite
Landsat-8 y Sentinel-2 y en diferentes concentraciones. La comparación de la observación de campo y la cartografía de distribución
espacial representa la precisión aceptable de los datos de Sentinel-2 en la estimación de la concentración de TP en este lago.
Según los resultados estadísticos (Tabla 9) y el patrón de distribución espacial de TP (Fig. 5), los datos de Sentinel-2 son más
precisos que los de Landsat-8 para estimar la concentración de TP en el lago Chitgar. Además, en relación con la falta de datos de
mediciones de campo, el modelo de recuperación en el satélite Landsat-8 tiene limitaciones en la evaluación de las
concentraciones de TP por encima de 0,06 mg. L-1.
El cuadro 10 presenta los resultados de algunas investigaciones y de nuestro estudio para estimar la concentración de TP en las
masas de agua superficiales.
El fósforo también tiene propiedades ópticas inactivas. En diversas investigaciones, normalmente, los modelos de recuperación
se han mejorado mediante métodos de aprendizaje automático o regresión lineal múltiple o mediante la correlación entre
parámetros ópticamente activos y parámetros no ópticamente activos (Vakili y Amanollahi, 2020; Guo et al., 2021).
Los resultados de la investigación muestran que la estimación de TP es menos precisa que la de TN. Varios factores pueden
influir en este resultado. Por ejemplo, Lim y Choi (2015) han considerado que las propiedades ópticas del fósforo son más débiles
que las del nitrógeno. La diferencia funcional entre el presente estudio y otros estudios (Tabla 10) indica que los resultados
dependen del tipo de área investigada, además de las débiles propiedades ópticas de este parámetro. Además, en
concentraciones de campo bajas, la medición de la concentración de fósforo se enfrenta a una relación ruido/señal y un error
elevados, lo que afecta a la precisión de la medición.
Además, los posibles factores de generación de errores son la inexactitud del posicionamiento de los puntos de muestreo, los
errores de medición sobre el terreno, los errores de interferencia atmosférica y las discrepancias de fecha entre las mediciones
sobre el terreno y los días de cruce de satélites. Aunque por falta de datos simultáneos, las diferencias de fecha eran inevitables.
Lim y Choi (2015) investigaron los parámetros de calidad del agua en un río de Corea y estimaron las concentraciones de
nitrógeno total y fósforo total correlacionando la reflectancia de la banda 3-5 del satélite Landsat-8 con muestras de campo. En el
estudio mencionado, las relaciones obtenidas tenían resultados estadísticos bajos, pero eran aceptables para estimar los
parámetros de calidad del agua en la zona de estudio. También, la evaluación de contaminantes en la investigación sobre el
lago muy poco profundo en Egipto mostró una correlación significativa entre la combinación de bandas b2 y b3 en Landsat-8
con la concentración de TP en la ecuación exponencial (El-Zeiny y El-Kafrawy, 2017). que es tienen similar- ity al resultado de
nuestro estudio.

Cuadro 8
Coeficientes de importancia de las bandas del satélite Sentinel-2 en el modelo de estimación TP, por RF.

Nº de bandas 1 2* 3* 4* 5 6 7 8 8a 9 11* 12

coeficientes 1.59 2.75 3.55 2.40 2.22 2.24 1.67 2.33 1.41 1.30 3.38 1.76

Cuadro 9
Resultados estadísticos de los algoritmos de estimación de TP utilizados en el lago Chitgar, Teherán, Irán.

Satélite Algoritmo Ecuación R2 R2 adjunto RMSEmg/L NRMSE Potencia

Landsat 8 b2, b3 Ln(y) = 0,8×b2 + 15×b3 - 4,2 0.50 0.49 0.017 0.21 0.8
Centinela 2 b3-(b2+b4+b11) Ln(y) = 2,5×x2 + 3,1×x - 2,4 0.61 0.60 0.012 0.09 0.8
b3+(b2+b4+b11)

12
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
/ig. 4. La correlación entre la concentración de TP medida y estimada utilizando imágenes de satélite
100926Landsat-8 y Sentinel-2 en el lago Chitgar, Teherán, Irán.

13
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926

/ig. 5. Patrones espaciales de las concentraciones de TP en el lago Chitgar, Teherán, Irán.

Cuadro 10
Resultado de las investigaciones para predecir la concentración de TP mediante imágenes de satélite Landsat-8 (L8) y Sentinel-2 (S2).

Referencia Área de estudio Algoritmo Ecuación Resultado

Lim y Choi (2015) Río Nakdong-Sur b2,b3,b4,b5 TP = ax1 + bx2 + cx3 + dx4 + k R(L8) = 0,58
Corea
Gholizadeh y Melesse Bahía de Florida-EE.UU. b2,b3,b4,b5 - R2 (L8) Seco = 0,74 R2
(2017) (L8) Húmedo = 0,69
Guo et al. (2021) Pequeño lago urbano- China b3,b4,b5,b6,b7,b8 TP = ax1 + bx2 + cx3 + dx4 + ex5 + fx6 + k R2 (S2) = 0,94
He et al. (2021) Río Yangtze- China b4+b6+b7
TP = ax2 + bx + c R2 (S2) = 0,87
3
Kapalanga et al. (2021) Olushandja Dam- b2,b3,b4,b5 TP = ax1 + bx2 + cx3 + dx4 + k R2 (S2) = 0,90
Namibia
Estudio actual Lago Chitgar-Irán b2, b3 TP(L8) = eax1+bx2+c R2 (L8) = 0,50
b3-(b2+b4+b11) b3+(b2+b4+b11) TP(S2) = eax2+bx+c R2 (S2) = 0,60

En este estudio también, considerando las condiciones del lago como un lago urbano poco profundo con uso recreativo y el
rango de concentraciones medidas, así como comparado con estudios similares, el modelo de previsión obtenido para la valoración
y predicción El nivel de fósforo del lago Chitgar tiene un rendimiento aceptable. Las relaciones se basan en la coincidencia casual y
el establecimiento de correlaciones entre los datos de campo y de teledetección, por lo que un mayor número de datos mejorará la
precisión de los modelos y la eficacia de los métodos de aprendizaje automático.

4. Conclusión

En este estudio, se eligieron las bandas importantes de los satélites Landsat-8 y Sentinel-2 utilizando el método de bosque
aleatorio para determinar los algoritmos de recuperación del nitrógeno total y el fósforo como parámetros no ópticos.
También se evaluó la precisión de los modelos predictivos para estimar las concentraciones de TN y TP en ambos satélites.
Según los resultados, el satélite Sentinel-2 tiene un rendimiento adecuado en la estimación de la concentración de TN y TP en
el lago Chitgar. No obstante, para mejorar la precisión y eficacia de los modelos de predicción es necesario recopilar más datos de
campo simultáneamente con las imágenes de satélite. Además, se sugiere el uso del bosque aleatorio como método eficiente para
desarrollar algoritmos de recuperación de parámetros ópticamente inactivos.

14
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
Teniendo en cuenta los resultados apropiados de los modelos de recuperación basados en imágenes de satélite y utilizando
estos modelos, se consigue una mayor cobertura temporal y espacial en comparación con la monitorización de los parámetros de
calidad del agua sobre el terreno, lo que conduce a la mejora del proceso de monitorización, reduciendo simultáneamente los
costes en el lago Chitgar.

Declaración ética

Todos los autores declaran que.

1) Este material es un trabajo original de los autores, que no ha sido publicado previamente en ningún otro sitio.
2) Actualmente no se está estudiando su publicación en ningún otro sitio.
3) El documento refleja la investigación y el análisis propios del autor de forma veraz y completa.
4) El documento reconoce debidamente las importantes contribuciones de los coautores y coinvestigadores.
5) Los resultados se sitúan adecuadamente en un contexto de investigación previo y existente.
6) Todas las fuentes utilizadas están debidamente divulgadas (cita correcta). La copia del texto debe indicarse como tal, entre
comillas y con las referencias adecuadas.
7) Todos los autores han participado personal y activamente en la elaboración del artículo y asumen la responsabilidad
pública de su contenido.
Estamos de acuerdo con las afirmaciones anteriores y declaramos que este envío sigue las políticas de Remote Sensing
Applications: Society and Envi- ronment, tal y como se indica en la Guía para autores y en la Declaración ética.

Contribuciones de los autores

Behnaz Karimi: Conceptualización, Metodología, Análisis formal, Investigación, Recursos, Redacción - Borrador original, Revisión
y edición.
Seyed Hossein Hashemi: supervisión, administración del proyecto, conceptualización, metodología, validación, recursos,
revisión y edición.
Hossein Aghighi: supervisión, metodología, validación, revisión y edición.

Declaración de intereses competitivos

Los autores declaran que no tienen intereses económicos ni relaciones personales que pudieran haber influido en el trabajo
presentado en este artículo.

Disponibilidad de datos

Los datos se facilitarán previa solicitud.

Apéndice A. Datos complementarios

Los datos complementarios de este artículo pueden consultarse en línea en https://doi.org/10.1016/j.rsase.2023.100926.

Referencias
Akbar, T.A., Hassan, Q., Achari, G., 2010. A remote sensing-based framework for predicting water quality of different source waters. Int. Arch. Photogram. Rem. Sens.
Spatial Inf. Sci. 34 (Part XXX).
Bayat, J., Hashemi, S.H., Zolfagharian, M., Emam, A., Nooshabadi, E.Z., 2019. Gestión de la calidad del agua de un lago artificial, estudio de caso: el lago de los
Mártires del Golfo Pérsico . En: Presas sostenibles y seguras en todo el mundo. CRC Press, pp. 1442-1449. https://doi.org/10.1201/9780429319778-127.
Belgiu, M., Drăguţ, L., 2016. Random forest in remote sensing: a review of applications and future directions. ISPRS J. Photogrammetry Remote Sens. 114, 24-31.
https://doi.org/10.1016/j.isprsjprs.2016.01.011.
Blix, K., Pálffy, K., Tóth, V., Eltoft, T., 2018. Teledetección de parámetros de calidad del agua sobre el lago balatón mediante el uso de OLCI centinela-3. Water
10 (10), 1428. https:// doi.org/10.3390/w10101428.
Buma, W.G., Lee, S.-I., 2020. Evaluation of sentinel-2 and Landsat 8 images for estimating chlorophyll-a concentrations in Lake Chad, Africa. Rem. Sens. 12 (15), 2437.
https://doi.org/10.3390/rs12152437.
Carpenter, S.R., Caraco, N.F., Correll, D.L., Howarth, R.W., Sharpley, A.N., Smith, V.H., 1998. Nonpoint pollution of surface waters with phosphorus and nitrogen. Ecol.
Appl. 8 (3), 559-568. https://doi.org/10.2307/2641247.
Chu, H.J., He, Y.C., Chusnah, W.N.U., Jaelani, L.M., Chang, C.H., 2021. Multi-Reservoir water quality mapping from remote sensing using spatial regression.
Sostenibilidad 13 (11), 6416. https://doi.org/10.3390/su13116416.
Ding, C., Pu, F., Li, C., Xu, X., Zou, T., Li, X., 2020. Combining artificial neural networks with causal inference for total phosphorus concentration estimation and
sensitive spectral bands exploration using MODIS. Water 12 (9), 2372. https://doi.org/10.3390/w12092372.
Dong, G., Hu, Z., Liu, X., Fu, Y., Zhang, W., 2020. Spatio-temporal variation of total nitrogen and ammonia nitrogen in the water source of the middle route of the south- to-
north water diversion Project. Water 12 (9), 2615. https://doi.org/10.3390/w12092615.
Du, C., Shi, K., Liu, N., Li, Y., Lyu, H., Yan, C., Pan, J., 2022. Remote estimation of the particulate phosphorus concentrations in inland water bodies: a case study in
hongze lake. Rem. Sens. 14 (16), 3863. https://doi.org/10.3390/rs14163863.
El-Zeiny, A., El-Kafrawy, S., 2017. Assessment of water pollution induced by human activities in Burullus Lake using Landsat 8 operational land imager and GIS. The Egyptian
Journal of Remote Sensing and Space Science 20, S49-S56. https://doi.org/10.1016/j.ejrs.2016.10.002.
esri, 2022. Forest-Based Classification and Regression (Spatial Statistics). https://pro.arcgis.com/en/pro-app/2.8/tool-
reference/spatial-statistics/ forestbasedclassificationregression.htm (consultado el 21 de septiembre de 2022).
Gholizadeh, M.H., Melesse, A.M., 2017. Estudio sobre la variabilidad espaciotemporal de los parámetros de calidad del agua en la bahía de Florida mediante teledetección. J.
Remote Sens. GIS 1-11. https://doi.org/10.4172/2469-4134.1000207. 06(03), 1000207.
Guo, H., Huang, J.J., Chen, B., Guo, X., Singh, V.P., 2021. A machine learning-based strategy for estimating non-optically active water quality parameters using

15
B. Karimi et al. Aplicaciones de la teledetección: Sociedad y Medio Ambiente 29 (2023)
100926
Imágenes de Sentinel-2. Int. J. Rem. Sens. 42 (5), 1841-1866. https://doi.org/10.1080/01431161.2020.1846222.
He, Y., Jin, S., Shang, W., 2021. Water quality variability and related factors along the Yangtze river using landsat-8. Rem. Sens. 13 (12), 2241. https://doi.org/
10.3390/rs13122241.
Hossain, A.K.M.A., Mathias, C., Blanton, R., 2021. Remote sensing of turbidity in the Tennessee river using Landsat 8 satellite. Rem. Sens. 13 (18), 3785. https://
doi.org/10.3390/rs13183785.
IBM, 2020. Bosque aleatorio. 7 de diciembre. IBM. https://www.ibm.com/cloud/learn/random-forest (consultado el 21 de septiembre de 2022).
Kapalanga, T.S., Hoko, Z., Gumindoga, W., Chikwiramakomo, L., 2021. Remote-sensing-based algorithms for water quality monitoring in Olushandja Dam, north- central
Namibia. Water Supply 21 (5), 1878-1894. https://doi.org/10.2166/ws.2020.290.
Karch, J., 2020. Mejorando el R-cuadrado ajustado. Collabra: Psychology 6 (1), 45. https://doi.org/10.1525/collabra.343.
Li, X., Ding, J., Ilyas, N., 2021. Machine learning method for quick identification of water quality index (WQI) based on Sentinel-2 MSI data: ebinur Lake case study.
Abastecimiento de agua 21 (3), 1291-1312. https://doi.org/10.2166/ws.2020.381.
Lim, J., Choi, M., 2015. Assessment of water quality based on Landsat 8 operational land imager associated with human activities in Korea. Environ. Monit. Assess. 187 (6), 384.
https://doi.org/10.1007/s10661-015-4616-1.
Liu, C., Zhang, F., Ge, X., Zhang, X., Chan, N. Weng, Qi, Y., 2020. Measurement of total nitrogen concentration in surface water using hyperspectral band observation method.
Water 12 (7), 1842. https://doi.org/10.3390/w12071842.
Ogashawara, I., Li, L., Druschel, G.K., 2022. Retrieval of inherent optical properties from multiple aquatic systems using a quasi-analytical algorithm for several water types.
Remote Sens. Appl: Society and Environment 27, 100807. https://doi.org/10.1016/j.rsase.2022.100807.
Ritchie, J.C., Zimba, P.v., Everitt, J.H., 2003. Técnicas de teledetección para evaluar la calidad del agua. Photogramm. Eng. Rem. Sens. 69 (6), 695-704. https://doi.org/
10.14358/PERS.69.6.695.
Ruttenberg, K.C., 2019. Ciclo del fósforo. En: Encyclopedia of Ocean Sciences. tercera ed., Elsevier, pp. 447-460. https://doi.org/10.1016/B978-0-12-409548-9.10807-
3.
Salas, E.A.L., Kumaran, S.S., Partee, E.B., Willis, L.P., Mitchell, K., 2022. Potential of mapping dissolved oxygen in the Little Miami River using Sentinel-2 images and machine
learning algorithms. Remote Sens. Appl: Society and Environment 26, 100759. https://doi.org/10.1016/j.rsase.2022.100759.
Shi, J., Shen, Q., Yao, Y., Li, J., Chen, F., Wang, R., Xu, W., Gao, Z., Wang, L., Zhou, Y., 2022. Estimation of chlorophyll-a concentrations in small water bodies:
comparison of fused gaofen-6 and sentinel-2 sensors. Rem. Sens. 14 (1), 229. https://doi.org/10.3390/rs14010229.
Song, K., Li, L., Li, S., Tedesco, L., Hall, B., Li, L., 2012. Teledetección hiperespectral de fósforo total (TP) en tres embalses de suministro de agua del centro de Indiana. Water,
Air, Soil Pollut. 223 (4), 1481-1502. https://doi.org/10.1007/s11270-011-0959-6.
Topp, S.N., Pavelsky, T.M., Jensen, D., Simard, M., Ross, M.R.v., 2020. Research trends in the use of remote sensing for inland water quality science: moving towards
multidisciplinary applications. Water 12 (1), 169. https://doi.org/10.3390/w12010169.
USEPA, 2013. Nitrógeno Total Revisado 2013- 909R09020A. USEPA. 4 de junio. https://nepis.epa.gov/Exe/ZyPURL.cgi?Dockey=P100N57Z.txt (consultado el 21 de
septiembre 2022).
USEPA, 2022. Indicadores: Fósforo. USEPA. 16 de junio. https://www.epa.gov/national-aquatic-resource-surveys/indicators-phosphorus (consultado el 21 de septiembre de 2022).
Vakili, T., Amanollahi, J., 2020. Determination of optically inactive water quality variables using Landsat 8 data: a case study in Geshlagh reservoir affected by
agricultural land use. J. Clean. Prod. 247, 119134. https://doi.org/10.1016/j.jclepro.2019.119134.
Verzani, J., 2004. Using R for introductory statistics. En: Using R for Introductory Statistics. https://doi.org/10.4324/9780203499894.
Wang, L., Xu, M., Liu, Y., Liu, H., Beck, R., Reif, M., Emery, E., Young, J., Wu, Q., 2020. Mapping freshwater chlorophyll-a concentrations at a regional scale integrating multi-
sensor satellite observations with google earth engine. Rem. Sens. 12 (20), 3278. https://doi.org/10.3390/rs12203278.
Xu, Y., Shao, M., Han, X., Cai, Q., 2011. Temporal asynchrony of trophic status between mainstream and tributary bay within a giant dendritic reservoir: the
role of local-scale regulators. Water, Air, Soil Pollut. 219 (1-4), 271-284. https://doi.org/10.1007/s11270-010-0705-5.
Yang, X., Wu, X., Hao, H., He, Z., 2008. Mechanisms and assessment of water eutrophication. J. Zhejiang Univ. - Sci. B 9 (3), 197-209. https://doi.org/10.1631/
jzus.B0710626.
Zhang, S., Gao, H., 2020. Using the digital elevation model (DEM) to improve the spatial coverage of the MODIS-based reservoir monitoring network in south Asia. Rem.
Sens. 12 (5), 745. https://doi.org/10.3390/rs12050745.
Zhang, Y., Li, M., Dong, J., Yang, H., van Zwieten, L., Lu, H., Alshameri, A., Zhan, Z., Chen, X., Jiang, X., Xu, W., Bao, Y., Wang, H., 2021. A critical review of methods for
analyzing freshwater eutrophication. Water 13 (2), 225. https://doi.org/10.3390/w13020225.

10